CN107169464A - 一种基于激光点云的道路边界检测方法 - Google Patents
一种基于激光点云的道路边界检测方法 Download PDFInfo
- Publication number
- CN107169464A CN107169464A CN201710376969.2A CN201710376969A CN107169464A CN 107169464 A CN107169464 A CN 107169464A CN 201710376969 A CN201710376969 A CN 201710376969A CN 107169464 A CN107169464 A CN 107169464A
- Authority
- CN
- China
- Prior art keywords
- road
- point
- section
- cross
- road boundary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明一种基于激光点云的道路边界检测方法,包括:S10,对道路点云数据进行预处理,去除道路点云中的噪声;S20,根据车辆的行驶轨迹获取道路初始横切面法向量,获取完整的道路横切面;S30,通过单线点云获取道路初始横切面的轮廓;S40,根据道路边界的特征,通过窗口法检测道路边界点;S50,拟合道路边界点获取完整的道路边界线。本发明能够快速准确检测实际道路表面存在障碍物和道路边界上存在绿化带遮挡时的道路边界。
Description
技术领域
本发明涉及道路边界检测技术,更具体地,涉及一种基于激光点云的道路边界检测方法。
背景技术
近年来,智能驾驶技术受到国际IT企业和汽车行业的广泛关注,也成为未来最值得期待的汽车技术之一。道路信息检测是智能驾驶技术中的关键技术,道路边界检测是道路信息检测中的重点和难点。在交通环境中,道路边界用来划分道路可行驶区域和非行驶区域,同时凸起的道路边界也是车辆行驶过程中的障碍物。车辆检测出道路边界不仅可以保证车辆在左右道路边界内行驶,而且可以辅助进行道路趋势的预测,辅助车辆在行驶过程中进行路径规划。
现有的技术方案有:
方案1:Chen T,Dai B,Liu D.Velodyne-based curb detection up to 50metersaway[C]//Intelligent Vehicles Symposium(IV),USA:IEEE, 2015:241-248。该论文提出了一种远距离检测道路边界的方法,该方法首先获取每一条激光扫描线,然后根据距离判别法和霍夫变换法提取道路边界点,最后将提取道的特征点作为种子点,通过高斯迭代回归过程拟合出道路边界。
方案2:公开号为CN10485083,发明名称为“基于三维激光雷达的道路边界检测方法”的中国专利申请提供了三维数据栅格化检测道路边界的方法。该方法首先将点云数据进行栅格化处理,然后将栅格图转化为距离灰度图,通过阈值填充法获取道路的整体轮廓,然后通过区域生长法和栅格图相结合获取可行区域轮廓图,最后对可行区域轮廓图进行二次函数拟合获取道路边界。
上述两个技术方案中,对道路表面存在障碍物和道路边界上存在遮挡这一实际问题涉及较少。方案1中通过提取道路激光扫描线来对道路边界点进行检测,当道路平面上存在障碍物遮挡时,激光扫描线无法扫描到道路边界,这种情况就会导致道路边界点丢失,最终无法从激光束扫描线中获取道路边界点。方案2虽然考虑了道路表面存在障碍物的情况,但是没有考虑道路边界上存在绿化带等遮挡导致原始点云中道路边界的结构发生无规则变化这一实际情况,而这一情况会导致方案2中对道路边界点的检测存在较大偏差。
发明内容
针对道路表面存在障碍物和道路边界上存在绿化带遮挡等难点,本发明一种基于激光点云的道路边界检测方法,包括:
S10,对道路点云数据进行预处理,去除道路点云中的噪声;
S20,根据车辆的行驶轨迹获取道路初始横切面法向量,获取完整的道路横切面;
S30,通过单线点云获取道路初始横切面的轮廓;
S40,根据道路边界的特征,通过窗口法检测道路边界点;
S50,拟合道路边界点获取完整的道路边界线。
本发明能够快速准确检测实际道路表面存在障碍物和道路边界上存在绿化带遮挡时的道路边界。本发明可用于智能驾驶技术和自动驾驶级别的高精度地图制作技术。本发明能够辅助车辆确定道路的可行驶域和非行使域,保证车辆的安全驾驶,同时本发明也能用于3D 高精度地图制图中划定道路区域的工作。
本发明与现有的技术相比,其显著的优点为:
(1)本发明中通过将道路初始横切面前后一定范围点云向其本身投影的方法提取道路的横切面,这样可以提高待检测道路边界的完整性,促使检测结果更加准确。
(2)由于道路上表面的形态特征容易因障碍物的出现而发生变化,而道路下表面的形态特征不会改变,本发明通过设计单线点云从道路平面下方获取道路横切面轮廓,这种方法对于道路中存在障碍物和道路边界上存在遮挡的情况时仍然会有良好的道路边界检测结果。
(3)本发明时间复杂度低,鲁棒性好,能实时获取道路边界检测的结果。
附图说明
图1为本发明的方法的一个实施方式的流程图;
图2为图1中的道路横切面获取步骤的流程图;
图3为道路模型;
图4为第1级搜索点搜索方法的示意图;
图5为搜索点球形邻域的示意图;
图6二级搜索点搜索策略的示意图;
图7为图1中的道路横切面提取步骤的流程图;
图8为道路轮廓提取的示意图;
图9A-9B为窗口法获取道路边界位置的示意图;
图10为无植被遮挡的道路边界检测的结果示意图;
图11为植被遮挡的道路边界检测的结果示意图;
图12为被汽车遮挡的道路边界检测的结果示意图;
图13A-13B为无植被遮挡的道路边界检测的结果示意图;
图14A-14B为植被遮挡的道路边界检测的结果示意图;
图15A-15B为汽车遮挡的道路边界检测的结果示意图。
具体实施方式
下面参照附图描述本发明的实施方式,其中相同的部件用相同的附图标记表示。
图1为本发明的方法的一个实施方式的流程图。
在S10中,对道路点云数据进行预处理,去除道路点云中的噪声。
获取的道路点云中会存在明显离群点,离群点往往由测量噪声引入,其特征是在空间中分布稀疏,信息量较小,属于无用信息,所以离群点表达的信息可以忽略不计,所以可以通过滤波方法对离群点进行滤除,提高整体数据的质量,常用的滤波方法有统计滤波,半径滤波方法,但不限于这些方法,对原始点云滤波处理后获取的数据为滤波后的数据。
常见道路原始点云量非常庞大,为了对道路点云进行快速有序的处理,本发明对滤波后的数据进行条带型切割,之后对条带型数据按照条带顺序进行道路边界提取,这样可以使搜索算法的整个搜索域由全部点云转化为单个的分割后的条带数据,大大的提高搜索算法的运行效率。通过分割处理可以获得分割后的条带型数据。
在S20,根据车辆的行驶轨迹获取道路初始横切面法向量,之后采用“由粗到精”的搜索策略获取完整的道路横切面。
在S30,通过单线点云获取道路横切面的轮廓。
在S40,根据道路边界的特征,通过窗口法检测道路边界点。
在S50,拟合道路边界点获取完整的道路边界线。
为方便理解本发明,图2显示了道路的模型。如图2所示,该道路的模型分为道路区域和非道路区域,图中灰色平面代表道路初始横切面,该平面前后一定范围内点云没有向其进行投影,所以该平面上不存在数据;若该平面前后一定范围内点云向道路初始横切面进行投影,则投影后的平面称作道路横切面。道路初始横切面中的虚线代表道路横切面轮廓,反映道路的结构。道路平面和道路凸起处的交线为道路边界线。道路边界线上的点为道路边界点。在每一个道路初始横切面的上边缘存在一个车辆轨迹点,代表车辆行驶过的位置。相邻两个车辆轨迹点之间的箭头代表车轮的运动方向,为了简要言明图意,图2中只显示首尾道路初始横切面。
如图3所示,步骤S20可以进一步细化为:
S201,获取道路横切面法向量。
根据相邻的2个车辆轨迹点的坐标获取2个车辆轨迹点之间的道路横切面的法向量:
(xi,yi,zi)和(xi+1,yi+1,zi+1)分别是第i个和第i+1个轨迹点的坐标, (xid,yid,zid)是2个车辆轨迹点之间初始横切面的法向量,本发明中道路横切面的法向量和相邻轨迹点的运动方向相关,该步骤获取了道路初始横切面向量(xid,yid,zid)。
S202,获取初始道路横切面范围。
道路初始横切面即是未经道路初始横切面前后一定范围内点云向其投影的道路横切面。
1)设定道路初始横切面上边缘和下边缘。
本实施例中上边缘的高度计算公式为:
Hup=zi-Hl+Hi (2)
本实施例中下边缘的高度计算公式为:
Hdown=zi-Hl-Hi (3)
其中zi表示激光器在第i个轨迹点坐标的z值,Hl为激光器距离地面的高度,Hi为道路初始横切面上边缘距离地面的高度。
道路初始横切面的大小设定在一定范围内,过大会降低算法的执行效率,过小则不能跨越整条道路的宽度。在本发明中,通过设定道路初始横切面的范围约束点来确定道路初始横切面的位置和大小,如图4所示。
2)设定道路初始横切面范围约束点。
本发明实施例中设定了4个范围点来确定道路初始横切面的范围,范围点的设定方式存在多种方式,道路初始横切面的范围设定和所有范围点的共同组成的区域有关。
首先获取道路横切面在非z方向的斜率kid:
道路初始切面左边界范围点的x坐标:
道路初始横切面右边界范围点的x坐标:
道路初始横切面左边界范围点的y坐标:
yleft=-kid*(xleft-xi)+yi (7)
道路初始横切面右边界范围点的y坐标:
yright=-kid*(xright-xi)+yi (8)
公式中Eleft和Eright分别为从道路轨迹点开始,道路初始横切面沿着(xid,yid)方向的分别向左方向和右方向延伸的距离,最终4个范围约束点为(xright,yright,Hup),(xright,yright,Hdown),(xleft,yleft,Hup)和(xleft,yleft,Hdown), 4个范围约束点如图4所示。
S203,获取初始横切面上空非空邻域搜索点集。
确定道路初始横切面的范围约束点后,需要确定道路初始横切面附近范围内道路数据的分布情况。在道路初始横切面前后范围内,点云主要集中在道路平面和道路中物体上,所以道路初始横切面上有些区域的前后范围内不存在点云。
优选地,采用“由粗到精”的搜索策略,这是获取道路横切面的关键,“由粗到精”指在道路初始横切面上选取多级搜索点,从第1级到第n级搜索点的邻域半径逐渐缩小(n>1),但是搜索点的数量逐渐增加,所有搜索点的邻域能够覆盖道路及道路中所有物体分布的位置。通过“由粗到精”的搜索策略可以逐步去除道路初始横切面前后范围内不存在三维数据的区域,保留道路初始横切面前后存在原始点云的区域,本发明实施例中n值为3。
1)如图4所示,灰色平面为道路初始横切面,道路初始横切面上每个点代表一个搜索域的中心,搜索域分布在道路初始横切面的两侧,如图5所示,本实施例中使用的是球形搜索域,道路初始横切面将球形邻域分割成了相等的两部分,球形邻域中的点代表球形邻域搜索到的点云数据。同时,图4中道路初始横切面上均匀分布的每个点也是第1级搜索点,每一个第1级搜索点代表一个球形邻域的球心,每个球代表以第1级搜索点为中心的球形邻域。如果球形邻域中含有点云,则称该球邻域为非空邻域,称非空邻域中的球心为非空邻域搜索点,第1级搜索点的计算公式如下:
其中N1和N2为横切面在横向和纵向的搜索点的间隔数量。 (x(i,j),y(i,j),z(i,j))是位于道路初始横切面上第i行,第j列第1级搜索点的坐标,本实施例设定道路初始横切面上的第1级搜索点的最上侧行为第0行,依次向下增加,最左侧列为第0列,依次向右增加,如果在第1级搜索点球形邻域范围内存在点云数据,则保留该搜索点,反之则去除,第1级保留下的搜索点称为一级保留搜索点。
2)第2级搜索点是由一级保留搜索点和一级保留搜索点附近获取的搜索点组成,本发明的一种获取方式为在一级保留搜索点附近获取 4个周围搜索点以及相邻球形邻域所确定4连接搜索点。如图6所示,黑色圆点为道路初始横切面中一级保留搜索点,在图6中单个球形域内,根据一级保留搜索点获取了4个周围的搜索点。4个周围搜索点的公式为:
y2(i,j)=kid*(x2(i,j)-xi)+y1(k) (13)
(x2(i,j),y2(i,j),z2(i,j))是位于道路初始横切面每个一级球形搜索域上第i行,第j列的第2级搜索点的坐标,本发明的一种实施例设定4 个周围搜索点为两行两列分布,最上侧行为第0行,最下侧行为第1 行,最左侧列为第0列,最右侧列为第1列,但是不仅仅限于这种设定方式;(x1(k),y1(k),z1(k))为一级保留搜索点中的第k个点。在图6中,每个大的球形域中包含4个小的球形域,每一个方形点代表一个小的球形搜索域的球心,半径S为r2,为了防止道路初始横切面出现搜索漏洞,于是在道路初始横切面中相邻球形域的中心范围内再加入了4 个搜索点,即为虚线椭圆所包围的4个搜索点,称之为4个连接搜索点,为了区别一级保留搜索点,这里将4个连接搜索点设置成正方形显示,计算公式为:
xt1=λ1*(x1(k+1)+x1(k)) (15)
xt2=λ2*(x1(k+1)-x1(k))+x1(k) (16)
xt3=λ3*(x1(k+1)-x1(k))+x1(k) (17)
yt1=λ1*(y1(k+1)-y1(k)) (18)
yt2=λ2*(y1(k+1)-y1(k))+y1(k) (19)
yt3=λ3*(y1(k+1)-y1(k))+y1(k) (20)
zt1=z1(k)+r2 (21)
zt2=z1(k)-r2 (22)
zt3=z1(k) (23)
4个连接搜索点坐标分别为(xt1,yt1,zt1)、(xt1,yt1,zt2)、(xt2,yt2,zt3) 和(xt3,yt3,zt3)。本发明实施例中使用的第2级搜索半径为相邻两个搜索点之间距离的0.6倍,但是该距离可以根据具体情况进行调节,如果第2级搜索点的球形邻域内存在点云数据,则保留该搜索点,反之则去除,第2级中保留的搜索点称为二级保留搜索点,本文中λ1、λ1和λ3的值分别为0.5,0.333,0.667。
至此,获取了道路初始横切面上空含有非空邻域的搜索点集。
S204,将非空邻域内点云向道路横切面投影。
获取道路初始横切面上含有非空邻域的搜索点集,然后选取这些搜索点球形邻域中点云向道路初始横切面上进行投影,这类点云在初始道路横切面上的投影点,形成最终的道路横切面。
道路初始横切面的平面方程为:
ax+by+cz+d=0 (24)
若(xi,yi,zi)为道路横切面上的一个轨迹点,则
d=-(axi+byi+czi) (25)
a,b和c的值在本文中分别是xid,yid和cid,
每一个原始三维点向横切面上的投影公式为:
其中(xsi,ysi,zsi)是球形邻域中的点云坐标,(xp,yp,zp)为道路初始横切面上的投影点。
再次参考图1,本发明的方法还包括S30。在S30,通过单线点云提取道路横切面的轮廓。如图7所示,步骤S30包括S301-S303。
S301,获取单线点云
单线点云上的三维点依次排列形成一条直线,其长度由可以根据道路的宽度设定,位于道路横切面共面且位于道路底面下方,单线点云中相邻点的间隔为d m,本发明实施例中左右拓展长度分别为7m,d 的设定值0.02,但是相邻点的间隔和左右拓展长度可以根据道路实际情况赋值,单线点云如图8所示,即其中的由点组成的灰色线段。
S302,获取非空邻域单线点
如图8所示,单线点云向道路横切面逐渐靠近,在上升过程中,利用kd-tree近似最邻近邻域搜索算法来搜索单线点云中每一个单线点云中的点的球形邻域中是否存在道路环境中的原始三维点,若存在,则这些点就停止搜索,执行获取道路横切面轮廓点操作,单线点云上剩余点的继续搜索。在一定的迭代次数内,获取所有具有非空邻域的单线点。
S303,获取道路横切面轮廓点
获取道路横切面轮廓点操作是给单线点云中具有非空邻域的单线点集分配新的位置,形成道路横切面的轮廓,通过该操作使单线点云中的点更加的贴近道路横切面上的点,保证了获取的道路轮廓的完整性和平滑性。新的位置坐标(xpos,ypos,zpos)计算公式如下:
其中n为具有非空邻域单线点的球形邻域中三维点的个数, (xsi,ysi,zsi)为具有非空邻域单线点的球形邻域中原始三维点的坐标,如图8所示描述了单线点云逐渐靠近道路轮廓的过程,图中红色的点为道路边界点,最终的单线点云完整的附着在道路的表面,得到道路边界的轮廓。
再次参考图1,本发明的方法还包括S40。在S40,根据道路边界的特征,通过窗口法检测道路边界点。
道路边界点的特征在很多的方面与道路平面点的特征有差别。首先道路边界区域的高度差更大,其次道路高程在垂直于道路边界的方向出现剧烈变化,最后道路边界点是平滑延伸分布的。这三种特征总结为道路高程跳变特征,斜率变化和道路边界点的分布特征。本发明基于这三种特征利用窗口方法对在道路轮廓中的道路边界点进行检测。首先指定两个窗口,从道路轮廓的中点开始向两侧搜索。具体的道路边界点检测方法如下:
1)高程跳变
如图9A所示,窗口1中包含道路边界的高程跳变。在图9B中道路边界的高程跳变存在两个窗口中。本发明将两个窗口融合成一个大的窗口,在大窗口中进行高程跳变检测。在该过程中,首先确定高程跳变存在的位置,高程跳变计算公式为:
其中Δz1是窗口1存在的最大高程差,Δz2为窗口2存在的最大高程差,Δz12为窗口1与窗口2之间存在的最大高程差,道路边界的高度设定范围为Hc1和Hc2,两者的取值可以根据道路的实际情概况进行调节。如果Hc1<Δz1<Hc2,则证明道路边界点位于窗口1中,然后在窗口1中检测道路边界点。如果Hc1<Δz2<Hc2,证明道路边界位于窗口2 中。如果Hc1<Δz12<Hc2则道路边界点需要两个窗口共同确定。本文实施例中的Hc1为0.1m,Hc2为0.25m。
如果高程跳变在单个窗口中,则在该窗口中检测道路边界边界点。单窗口中道路边界点的检测公式为:
Δz=|zw(i)-zw(i+1)| (29)
如果Hc1<Δz<Hc2,则可以确定道路横切面轮廓中第i个三维点满足道路边界点的高程跳变情况。如果道路边界点分布在两个窗口内,融合两个流体窗口为一个窗口,检测方式与单一窗口检测方式相同。 zw(i)为窗口中第i个道路横切面轮廓点的z值,zw(i+1)为窗口中第i+1 个道路横切面轮廓点的z值。
2)斜率
由于道路边界垂直于道路平面,在道路边界凸起的地方斜率会出现剧烈变化,本文通过道路边界点和其相邻点存在较大斜率值。因此可以相邻两个道路轮廓点的斜率值来判断道路边界点的位置。斜率s 的计算公式为:
道路边界点的斜率阈值为sT,如果s>sT,则坐标为 (xw(i),yw(i),zw(i))的道路横切面轮廓点满足道路边界点斜率的特征。
3)道路边界点的分布
道路边界具有连续延伸的特征,相邻道路横切面上同侧道路边界点在道路延伸的方向会偏移较大的距离,在其它两个方向的距离偏移较小,如图3所示:该实施例中道路边界点的分布特征为两个相邻的边界点在在y方向上存在较大的距离,在x和z方向存在较小的距离,根据道路边界点的分布特征来判断检测到的道路边界点是否正确,剔除错误的边界点。
相邻边界点y方向的距离Dy计算公式为:
Dy=|yi-yi+1| (31)
相邻边界点xz方向的距离Dxz计算公式为:
如果Dy>DT1且Dxz<DT2,检测到的边界点满足道路边界连续延伸特性。其中(xi,yi,zi)和(xi+1,yi+1,zi+1)分别为相邻道路边界点的坐标,DT1和DT2分别是相邻边界点在y方向和xz方向的距离阈值,DT1和DT2的设定和相邻横切面之间的距离相关。本文中横切面之间距离为0.5m, 设定DT1为0.45m,DT2为0.05m。
再次参考图1,本发明的方法还包括S50。在S50,拟合道路边界点获取完整的道路边界线。
在实际的道路情况下,由于车辆或者行人的遮挡导致道路边界在数据中出现空洞的现象,即被遮挡的道路边界在数据上未被记录,或者提出的算法中存在少量的外点,并且提取的道路边界点之间存在着较大距离,所以我们有必要对道路边界点进行优化,然后对优化后的点集进行道路边界线的拟合。拟合的方法有多种,最小二乘法, Ransanc法以及二次曲线拟合法等。本实施例中通过Ransac方法进行道路边界点的优化和道路边界线参数的获取。本实施例假设道路边界的形状为直线型,为了进一步的提高道路边界检测的正确率和精度采取Ransac算法对道路边界点进行拟合。本实施例中Ransac算法能鲁棒的估计直线模型参数,它能从包含局外点的数据集中估计出高精度三维道路边界直线的参数,通过直线参数和直线的起始位置绘制出完整的道路边界线。
本发明的方法进行了实验,实验中采集的是北京市三环路段上的三维数据,根据道路场景复杂程度挑选了3种不同类型的数据用于检测算法有效性,分别是城市环境中无遮挡的道路边界,被绿化带遮挡的道路边界和被车辆遮挡的道路边界,三种类型的数据如下图所示。图10白色边框中是无绿化带遮挡的道路边界,该道路边界的存在平整的上边界平面和下边界平面,即规则的道路边界模型。图11白色边框中道路边界的上平面存在绿色的杂点,实际上是杂草覆盖到了道路边界上平面,这样造成了道路边界的整体形态发生了无规则的变化,但是道路边界的地面特征仍是平滑的。图12白色框中是汽车遮挡道路边界的情形,白色框中由于道路边界被遮挡而出现了空洞现象。
如图13A所示,道路边界完整度高,没有道路杂草的覆盖影响,道路边界的检测结果如图13B所示,其中白色的直线为检测到的道路边界,获取的道路边界准确的与实际的道路边界相重合。
如图14A所示,左道路边界完整度高,右道路边界出现杂草遮挡,如图中白框所圈区域。虽然右边道路边界存在大量的杂草点,导致道路边界上平面形态遭到严重的破坏,但是道路边界的下平面形态仍然保存完整。本发明针对这一特点进行单线点云从下到上检测道路的整体轮廓,避免了道路表面出现遮挡时对道路边界的影响。如图 14B所示,通过本发明方法,左右道路边界同时被完整的检测出来,如图中白线所示,两条检测到的边界线与实际道路边界相融合证明了本发明的在检测道路边界存在绿化带遮挡情况下的有效性。
图15A-15B是在道路边界存在车辆遮挡的情况下的道路边界检测的结果。道路右边界在汽车遮挡的情况下,激光器无法获取道路边界的信息,在图15A中出现空洞的现象,白框包围处,本发明在借助Ransac算法和空洞前后存在较好的道路边界点的情况下,拟合出了一条完整的道路边界,如图15B与实际边界的位移较小,取得较好的效果。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (10)
1.一种基于激光点云的道路边界检测方法,其特征在于,包括:
S10,对道路点云数据进行预处理,去除道路点云中的噪声;
S20,根据车辆的行驶轨迹获取道路初始横切面法向量,获取完整的道路横切面;
S30,通过单线点云获取道路初始横切面的轮廓;
S40,根据道路边界的特征,通过窗口法检测道路边界点;
S50,拟合道路边界点获取完整的道路边界线。
2.根据权利要求1所述的基于激光点云的道路边界检测方法,其特征在于,步骤S20包括:
S201,获取道路横切面法向量;
S202,获取初始道路横切面范围;
S203,获取初始横切面上空非空邻域搜索点集;
S204,将非空邻域内点云向道路横切面投影。
3.根据权利要求2所述的基于激光点云的道路边界检测方法,其特征在于,在S201中,根据相邻的2个车辆轨迹点的坐标获取2个车辆轨迹点之间的道路横切面的法向量:
(xi,yi,zi)和(xi+1,yi+1,zi+1)分别是第i个和第i+1个轨迹点的坐标,
(xid,yid,zid)是2个车辆轨迹点之间初始横切面的法向量。
4.根据权利要求3所述的基于激光点云的道路边界检测方法,其特征在于,步骤S202包括:
设定道路初始横切面上边缘和下边缘:
Hup=zi-Hl+Hi;Hdown=zi-Hl-Hi
其中zi表示激光器在第i个轨迹点坐标的z值,Hl为激光器距离地面的高度,Hi为道路初始横切面上边缘距离地面的高度。
5.根据权利要求4所述的基于激光点云的道路边界检测方法,其特征在于,步骤S202还包括:获取道路初始横切面范围的4个约束点:
获取道路横切面在非z方向的斜率kid:
道路初始切面左边界范围点的x坐标:
道路初始横切面右边界范围点的x坐标:
道路初始横切面左边界范围点的y坐标:
yleft=-kid*(xleft-xi)+yi
道路初始横切面右边界范围点的y坐标:
yright=-kid*(xright-xi)+yi
公式中Eleft和Eright分别为从道路轨迹点开始,道路初始横切面沿着(xid,yid)方向的分别向左方向和右方向延伸的距离,最终4个范围约束点为(xright,yright,Hup),(xright,yright,Hdown),(xleft,yleft,Hup)和(xleft,yleft,Hdown)。
6.根据权利要求5所述的基于激光点云的道路边界检测方法,其特征在于,
在S203中,在道路初始横切面上选取多级搜索点,搜索点的邻域半径逐渐缩小,搜索点的邻域能够覆盖道路及道路中所有物体分布的位置,逐步去除道路初始横切面前后范围内不存在三维数据的区域,保留道路初始横切面前后存在原始点云的区域。
7.根据权利要求6所述的基于激光点云的道路边界检测方法,其特征在于,
下一级搜索点是由上一级保留搜索点和上一级保留搜索点附近获取的搜索点组成。
8.根据权利要求7所述的基于激光点云的道路边界检测方法,其特征在于,在S204中,获取道路初始横切面上含有非空邻域的搜索点集,然后选取这些搜索点球形邻域中点云向道路初始横切面上进行投影,这类点云在初始道路横切面上的投影点,形成最终的道路横切面。
9.根据权利要求1所述的基于激光点云的道路边界检测方法,其特征在于,步骤S30包括:
S301,获取单线点云;
S302,获取非空邻域单线点;
S303,获取道路横切面轮廓点。
10.根据权利要求1所述的基于激光点云的道路边界检测方法,其特征在于,在步骤S40中,基于道路高程跳变特征、斜率变化和道路边界点的分布特征,利用窗口方法对在道路轮廓中的道路边界点进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376969.2A CN107169464B (zh) | 2017-05-25 | 2017-05-25 | 一种基于激光点云的道路边界检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376969.2A CN107169464B (zh) | 2017-05-25 | 2017-05-25 | 一种基于激光点云的道路边界检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169464A true CN107169464A (zh) | 2017-09-15 |
CN107169464B CN107169464B (zh) | 2019-04-09 |
Family
ID=59821267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710376969.2A Active CN107169464B (zh) | 2017-05-25 | 2017-05-25 | 一种基于激光点云的道路边界检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169464B (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074232A (zh) * | 2017-12-18 | 2018-05-25 | 辽宁工程技术大学 | 一种基于体元分割的机载lidar建筑物检测方法 |
CN108319895A (zh) * | 2017-12-29 | 2018-07-24 | 百度在线网络技术(北京)有限公司 | 用于识别电子地图中的路口的方法和装置 |
CN108829951A (zh) * | 2018-05-31 | 2018-11-16 | 北京中油瑞飞信息技术有限责任公司 | 油藏模型边界确定方法和装置 |
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
CN108957432A (zh) * | 2018-04-09 | 2018-12-07 | 深圳清创新科技有限公司 | 路沿检测方法、装置、计算机设备和存储介质 |
CN109657628A (zh) * | 2018-12-24 | 2019-04-19 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN110008921A (zh) * | 2019-04-12 | 2019-07-12 | 北京百度网讯科技有限公司 | 一种道路边界的生成方法、装置、电子设备及存储介质 |
CN110068834A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN110222605A (zh) * | 2019-05-24 | 2019-09-10 | 深兰科技(上海)有限公司 | 一种障碍物检测方法及设备 |
CN110246092A (zh) * | 2019-05-02 | 2019-09-17 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
CN110378173A (zh) * | 2018-07-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种确定道路边界线的方法和装置 |
CN110618413A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 基于多线激光雷达的可通行区域检测方法和装置 |
CN110674705A (zh) * | 2019-09-05 | 2020-01-10 | 北京智行者科技有限公司 | 基于多线激光雷达的小型障碍物检测方法及装置 |
CN110696826A (zh) * | 2019-10-09 | 2020-01-17 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN111007531A (zh) * | 2019-12-24 | 2020-04-14 | 电子科技大学 | 一种基于激光点云数据的道路边沿检测方法 |
CN111076734A (zh) * | 2019-12-12 | 2020-04-28 | 湖南大学 | 一种封闭区域非结构化道路高精地图构建方法 |
CN111144211A (zh) * | 2019-08-28 | 2020-05-12 | 华为技术有限公司 | 点云显示方法和装置 |
WO2020093966A1 (zh) * | 2018-11-09 | 2020-05-14 | 阿里巴巴集团控股有限公司 | 定位数据生成方法、装置以及电子设备 |
CN111273305A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 基于全局与局部栅格图多传感器融合道路提取与索引方法 |
CN111325138A (zh) * | 2020-02-18 | 2020-06-23 | 中国科学院合肥物质科学研究院 | 一种基于点云局部凹凸特征的道路边界实时检测方法 |
CN111323026A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于高精度点云地图的地面过滤方法 |
US10901421B2 (en) | 2018-06-26 | 2021-01-26 | Neusoft Reach Automotive Technology (Shanghai) Co., Ltd. | Method and device for detecting road boundary |
CN112384962A (zh) * | 2018-07-02 | 2021-02-19 | 日产自动车株式会社 | 行驶辅助方法及行驶辅助装置 |
CN113379776A (zh) * | 2021-05-14 | 2021-09-10 | 北京踏歌智行科技有限公司 | 一种道路边界检测方法 |
CN113378800A (zh) * | 2021-07-27 | 2021-09-10 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113447953A (zh) * | 2021-06-29 | 2021-09-28 | 山东高速建设管理集团有限公司 | 一种基于道路交通点云数据的背景滤除方法 |
CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
CN113778081A (zh) * | 2021-08-19 | 2021-12-10 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光雷达和视觉的果园路径识别方法和机器人 |
CN113807193A (zh) * | 2021-08-23 | 2021-12-17 | 武汉中海庭数据技术有限公司 | 一种激光点云中交通道路虚线段自动提取方法及系统 |
CN113836978A (zh) * | 2020-06-24 | 2021-12-24 | 富士通株式会社 | 道路区域确定装置及方法、电子设备 |
WO2022042359A1 (zh) * | 2020-08-26 | 2022-03-03 | 深圳市杉川机器人有限公司 | 一种建立工作区域地图的方法及自移动设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0728975A (ja) * | 1993-06-25 | 1995-01-31 | Fujitsu Ltd | 道路環境認識装置 |
CN1838174A (zh) * | 2005-03-22 | 2006-09-27 | 日产自动车株式会社 | 基于道路边界检测物体的检测装置和方法 |
US20090052742A1 (en) * | 2007-08-24 | 2009-02-26 | Kabushiki Kaisha Toshiba | Image processing apparatus and method thereof |
CN101901343A (zh) * | 2010-07-20 | 2010-12-01 | 同济大学 | 基于立体约束的遥感影像道路提取方法 |
CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
CN104272363A (zh) * | 2012-04-27 | 2015-01-07 | 株式会社电装 | 边界线检测装置、边界线偏离检测装置以及边界线检测程序 |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
-
2017
- 2017-05-25 CN CN201710376969.2A patent/CN107169464B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0728975A (ja) * | 1993-06-25 | 1995-01-31 | Fujitsu Ltd | 道路環境認識装置 |
CN1838174A (zh) * | 2005-03-22 | 2006-09-27 | 日产自动车株式会社 | 基于道路边界检测物体的检测装置和方法 |
US20090052742A1 (en) * | 2007-08-24 | 2009-02-26 | Kabushiki Kaisha Toshiba | Image processing apparatus and method thereof |
CN101901343A (zh) * | 2010-07-20 | 2010-12-01 | 同济大学 | 基于立体约束的遥感影像道路提取方法 |
CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
CN104272363A (zh) * | 2012-04-27 | 2015-01-07 | 株式会社电装 | 边界线检测装置、边界线偏离检测装置以及边界线检测程序 |
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
CN106503678A (zh) * | 2016-10-27 | 2017-03-15 | 厦门大学 | 基于移动激光扫描点云的道路标线自动检测和分类方法 |
Non-Patent Citations (7)
Title |
---|
BISHENGYANG ET AL: "Semi-automated extraction and delineation of 3D roads of street scene from mobile laser scanning point clouds", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
BORJARODRÍGUEZ-CUENCA ET AL: "An approach to detect and delineate street curbs from MLS 3D point cloud data", 《AUTOMATION IN CONSTRUCTION》 * |
SHENG XU ET AL: "Road Curb Extraction From Mobile LiDAR Point Clouds", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
SHERIF EL-HALAWANY ET AL: "DETECTION OF ROAD CURB FROM MOBILE TERRESTRIAL LASER SCANNER", 《INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
徐杰等: "车辆自主导航中的道路边界识别算法", 《中国图象图形学报》 * |
谭宝成等: "基于激光雷达的道路边界检测的研究", 《电子设计工程》 * |
邹晓亮等: "移动车载激光点云的道路标线自动识别与提取", 《测绘与空间地理信息》 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074232B (zh) * | 2017-12-18 | 2021-08-24 | 辽宁工程技术大学 | 一种基于体元分割的机载lidar建筑物检测方法 |
CN108074232A (zh) * | 2017-12-18 | 2018-05-25 | 辽宁工程技术大学 | 一种基于体元分割的机载lidar建筑物检测方法 |
CN108319895A (zh) * | 2017-12-29 | 2018-07-24 | 百度在线网络技术(北京)有限公司 | 用于识别电子地图中的路口的方法和装置 |
CN110068834B (zh) * | 2018-01-24 | 2023-04-07 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN110068834A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN108957432B (zh) * | 2018-04-09 | 2021-01-12 | 深圳一清创新科技有限公司 | 路沿检测方法、装置、计算机设备和存储介质 |
CN108957432A (zh) * | 2018-04-09 | 2018-12-07 | 深圳清创新科技有限公司 | 路沿检测方法、装置、计算机设备和存储介质 |
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
CN108829951A (zh) * | 2018-05-31 | 2018-11-16 | 北京中油瑞飞信息技术有限责任公司 | 油藏模型边界确定方法和装置 |
CN110618413A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东尚科信息技术有限公司 | 基于多线激光雷达的可通行区域检测方法和装置 |
US10901421B2 (en) | 2018-06-26 | 2021-01-26 | Neusoft Reach Automotive Technology (Shanghai) Co., Ltd. | Method and device for detecting road boundary |
CN112384962A (zh) * | 2018-07-02 | 2021-02-19 | 日产自动车株式会社 | 行驶辅助方法及行驶辅助装置 |
CN112384962B (zh) * | 2018-07-02 | 2022-06-21 | 日产自动车株式会社 | 行驶辅助方法及行驶辅助装置 |
CN110378173A (zh) * | 2018-07-10 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 一种确定道路边界线的方法和装置 |
WO2020093966A1 (zh) * | 2018-11-09 | 2020-05-14 | 阿里巴巴集团控股有限公司 | 定位数据生成方法、装置以及电子设备 |
CN111323026A (zh) * | 2018-12-17 | 2020-06-23 | 兰州大学 | 一种基于高精度点云地图的地面过滤方法 |
CN111323026B (zh) * | 2018-12-17 | 2023-07-07 | 兰州大学 | 一种基于高精度点云地图的地面过滤方法 |
CN109657628A (zh) * | 2018-12-24 | 2019-04-19 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
CN109766404B (zh) * | 2019-02-12 | 2020-12-15 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN110008921B (zh) * | 2019-04-12 | 2021-12-28 | 北京百度网讯科技有限公司 | 一种道路边界的生成方法、装置、电子设备及存储介质 |
CN110008921A (zh) * | 2019-04-12 | 2019-07-12 | 北京百度网讯科技有限公司 | 一种道路边界的生成方法、装置、电子设备及存储介质 |
CN110246092B (zh) * | 2019-05-02 | 2022-09-02 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
CN110246092A (zh) * | 2019-05-02 | 2019-09-17 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
CN110222605B (zh) * | 2019-05-24 | 2021-11-19 | 深兰科技(上海)有限公司 | 一种障碍物检测方法及设备 |
CN110222605A (zh) * | 2019-05-24 | 2019-09-10 | 深兰科技(上海)有限公司 | 一种障碍物检测方法及设备 |
CN111144211A (zh) * | 2019-08-28 | 2020-05-12 | 华为技术有限公司 | 点云显示方法和装置 |
CN111144211B (zh) * | 2019-08-28 | 2023-09-12 | 华为技术有限公司 | 点云显示方法和装置 |
CN110674705A (zh) * | 2019-09-05 | 2020-01-10 | 北京智行者科技有限公司 | 基于多线激光雷达的小型障碍物检测方法及装置 |
CN110696826A (zh) * | 2019-10-09 | 2020-01-17 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110696826B (zh) * | 2019-10-09 | 2022-04-01 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN111076734A (zh) * | 2019-12-12 | 2020-04-28 | 湖南大学 | 一种封闭区域非结构化道路高精地图构建方法 |
CN111076734B (zh) * | 2019-12-12 | 2021-07-23 | 湖南大学 | 一种封闭区域非结构化道路高精地图构建方法 |
CN110967024A (zh) * | 2019-12-23 | 2020-04-07 | 苏州智加科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
WO2021128777A1 (en) * | 2019-12-23 | 2021-07-01 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method, apparatus, device, and storage medium for detecting travelable region |
CN111007531A (zh) * | 2019-12-24 | 2020-04-14 | 电子科技大学 | 一种基于激光点云数据的道路边沿检测方法 |
CN111273305A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 基于全局与局部栅格图多传感器融合道路提取与索引方法 |
CN111325138B (zh) * | 2020-02-18 | 2023-04-07 | 中国科学院合肥物质科学研究院 | 一种基于点云局部凹凸特征的道路边界实时检测方法 |
CN111325138A (zh) * | 2020-02-18 | 2020-06-23 | 中国科学院合肥物质科学研究院 | 一种基于点云局部凹凸特征的道路边界实时检测方法 |
CN113836978A (zh) * | 2020-06-24 | 2021-12-24 | 富士通株式会社 | 道路区域确定装置及方法、电子设备 |
WO2022042359A1 (zh) * | 2020-08-26 | 2022-03-03 | 深圳市杉川机器人有限公司 | 一种建立工作区域地图的方法及自移动设备 |
CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
CN113379776A (zh) * | 2021-05-14 | 2021-09-10 | 北京踏歌智行科技有限公司 | 一种道路边界检测方法 |
CN113447953A (zh) * | 2021-06-29 | 2021-09-28 | 山东高速建设管理集团有限公司 | 一种基于道路交通点云数据的背景滤除方法 |
CN113447953B (zh) * | 2021-06-29 | 2022-08-26 | 山东高速建设管理集团有限公司 | 一种基于道路交通点云数据的背景滤除方法 |
CN113378800B (zh) * | 2021-07-27 | 2021-11-09 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113378800A (zh) * | 2021-07-27 | 2021-09-10 | 武汉市测绘研究院 | 基于车载三维点云的道路标志线自动分类与矢量化方法 |
CN113778081B (zh) * | 2021-08-19 | 2022-07-22 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光雷达和视觉的果园路径识别方法和机器人 |
CN113778081A (zh) * | 2021-08-19 | 2021-12-10 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光雷达和视觉的果园路径识别方法和机器人 |
CN113807193A (zh) * | 2021-08-23 | 2021-12-17 | 武汉中海庭数据技术有限公司 | 一种激光点云中交通道路虚线段自动提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107169464B (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169464B (zh) | 一种基于激光点云的道路边界检测方法 | |
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
US20210333108A1 (en) | Path Planning Method And Device And Mobile Device | |
Hui et al. | Road centerline extraction from airborne LiDAR point cloud based on hierarchical fusion and optimization | |
CN109190481B (zh) | 一种遥感影像道路材质提取方法和系统 | |
US8155391B1 (en) | Semi-automatic extraction of linear features from image data | |
US7653218B1 (en) | Semi-automatic extraction of linear features from image data | |
CN106951879A (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN112801022A (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
CN104573627A (zh) | 基于二值图像的车道线保留与检测算法 | |
CN104850834A (zh) | 基于三维激光雷达的道路边界检测方法 | |
CN103206957B (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
CN108876805B (zh) | 一种端对端无监督场景可通行区域认知与理解方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN104700071A (zh) | 一种全景图道路轮廓的提取方法 | |
CN107909047A (zh) | 一种汽车及其应用的车道检测方法及系统 | |
CN104504718A (zh) | 高分辨率航空遥感数据自动道路提取方法 | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN115728781A (zh) | 一种基于激光雷达点云的小障碍物检测方法及装置 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
CN117073664B (zh) | 一种露天矿山道路地形建图方法 | |
CN114821522A (zh) | 基于车载激光点云数据的城市道路横坡和超高值计算方法 | |
CN115294293A (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |